基于白光与NBI图像融合的胃部早期癌症智能实时识别系统构建与效能研究.docxVIP

基于白光与NBI图像融合的胃部早期癌症智能实时识别系统构建与效能研究

一、引言

1.1研究背景

胃癌是全球范围内严重威胁人类健康的重大疾病之一，给患者家庭和社会带来了沉重的负担。国际癌症研究机构（IARC）统计数据显示，2020年全世界胃癌新发病例约108.9万，在恶性肿瘤发病人数中位居第五；死亡病例数约76.9万，居恶性肿瘤死亡人数的第四位。我国作为胃癌高发国家，情况更为严峻。2019年中国国家癌症中心数据表明，胃癌的发病率和死亡率分别位于所有恶性肿瘤的第二位和第三位，是我国发病率第一的消化道恶性肿瘤，发病和死亡病例数分别占全球的43.9%和48.6%。

胃癌的预后情况与临床分期紧密相关。早期胃癌患者的五年生存率超过95%，而晚期胃癌患者的五年生存率仅约20%-30%。早期胃癌是指肿瘤局限于黏膜层或黏膜下层，不论有无淋巴结转移。然而，早期胃癌缺乏特异性的诊断标志物，多数患者在早期阶段没有明显症状，或者仅表现出一些非特异性的消化系统症状，如消化不良、胃痛、胃胀等，这些症状容易被忽视或误诊，导致很多患者确诊时已处于进展期。

目前，临床确诊早期胃癌主要依赖内镜活检检查。白光内镜（WLE）是传统的内窥镜成像方式，也是早期胃癌内镜筛查的常用手段。它可以识别早期胃癌的一些可疑癌变特征，如胃黏膜表面的色泽（发红或者发白）、形态学变化（隆起或者凹陷）、粘膜褶皱变细或中断、质地改变（质地脆或局部僵硬）、局部粘膜混浊（背景血管形态/腺管结构突变）、粘膜光泽度丧失、有无自发性出血及有无溃疡并发等。白光内镜对早期胃癌可疑病变部位进行观察，有利于判断早期胃癌病理类型和浸润深度，对可疑的胃早癌病变部位进行靶向活检从而增加早期胃癌阳性检出率。但白光内镜检测早期胃癌的灵敏度并不理想，约为48%-72%。受图像清晰度、内镜放大倍数等因素制约，白光内镜在观察早期胃癌癌变部位局部细微结构方面存在一定局限性，可能会漏掉表面平坦的细微早癌病变。同时，其诊断准确性还受到操作者专业技能、内镜操作经验等因素的影响。

窄带成像技术（NBI）内镜的出现为早期胃癌的诊断带来了新的突破。NBI方法基于不同波长的光在机体胃黏膜中穿透深度具有差异的原理，通过增强机体胃黏膜表面形态学的改变，能够清晰地观察组织黏膜表层的微细血管的结构及形态，具有可重复性好和无创伤的优点。与白光内镜相比，NBI内镜可以更加清晰地显示患者机体消化道黏膜的微血管以及腺体的结构，准确地引导下一步的活检，联合镜下化学色素染色还可以显示微小的病灶，使靶向活检的准确率明显提高。研究表明，NBI内镜诊断早期胃癌的符合率、敏感度和特异度均高于常规白光内镜。

然而，无论是白光内镜还是NBI内镜，在早期胃癌的诊断中都存在一定的局限性。单一的内镜成像技术难以满足临床对早期胃癌精准诊断的需求。随着人工智能技术的飞速发展，将其应用于内镜图像分析，为早期胃癌的智能实时识别提供了新的思路和方法。通过对大量白光和NBI图像的学习和分析，人工智能模型有望提高早期胃癌的诊断准确率和效率，实现对早期胃癌的快速、准确识别，为患者的早期治疗和良好预后提供有力支持。因此，开展结合白光和NBI图像的胃部早期癌症智能实时识别研究具有重要的临床意义和应用价值。

1.2研究目的与意义

本研究旨在开发一种结合白光和NBI图像的胃部早期癌症智能实时识别系统，利用人工智能技术对内镜图像进行分析，实现对胃部早期癌症的准确、快速识别。具体而言，本研究将通过以下几个方面来达成目标：

首先，收集大量的白光和NBI内镜图像，建立高质量的数据集。这些图像将涵盖不同类型、不同阶段的胃部早期癌症病变，以及正常胃部组织的图像，为后续的模型训练提供丰富的数据支持。通过对这些图像的标注和分类，明确图像中的病变特征和对应的病理诊断结果，确保数据集的准确性和可靠性。

其次，选择合适的人工智能算法和模型，如卷积神经网络（CNN）等，对数据集进行训练和优化。通过不断调整模型的参数和结构，提高模型对胃部早期癌症图像的识别能力和准确率。在训练过程中，采用交叉验证等方法，对模型的性能进行评估和验证，确保模型的泛化能力和稳定性。

然后，将训练好的模型应用于临床实践，对白光和NBI内镜图像进行实时分析，实现对胃部早期癌症的智能实时识别。通过与传统的内镜诊断方法进行对比，评估智能识别系统的诊断效能，包括准确率、灵敏度、特异度等指标。同时，分析智能识别系统在实际应用中的优势和局限性，为进一步改进和完善系统提供依据。

本研究具有重要的临床意义和应用价值。从临床角度来看，早期胃癌的及时准确诊断对于患者的治疗和预后至关重要。目前，白光内镜和NBI内镜在早期胃癌诊断中存在一定的局限性，误诊和漏诊率较高。本研究开发的智能实时识别系统有望提高